可信概念嵌入模型：皮肤病诊断的可靠概念解释

由于医疗决策中的高风险，迫切需要医学图像分析中的可解释深度学习方法。概念瓶颈模型 (CBM) 作为一种活跃的可解释框架，已被用于将人类可解释概念纳入决策中。然而，这些概念预测在临床诊断中可能缺乏可靠性，影响概念解释的质量。为此，我们提出一种信证概念嵌入模型 (evi-CEM)，其采用信证学习来建模概念不确定性。此外，我们提供利用概念不确定性来纠正使用无完整概念监督的视觉语言模型训练时产生的概念错位的方法。通过所提出的方法，我们可以增强监督和标签高效设置下的概念解释可靠性。进一步，我们引入概念不确定性用于有效的测试时干预。我们的评估表明，evi-CEM 在概念预测方面表现出优异性能，所提出的概念纠正有效缓解了标签高效训练中的概念错位。我们的代码已公开于 https://github.com/obiyoag/evi-CEM。